基于物聯網的番茄早疫病自動監測預警平臺的應用與研究

曾敏 應巨林 許馳 曾錚 鄭乾生

摘要早疫病是對番茄生產影響較大的一種病害，但現有檢測手段落后。為此，利用無線傳感器、物聯網、數據分析等現代信息技術與傳統農業相結合，開展番茄早疫病自動檢測預警研究。采用傳感網絡對番茄病害環境因子進行數據采集，并通過數據融合分析，建立番茄早疫病發生等級與環境因子相關的預警模型，構建番茄早疫病自動監測預警平臺，實現對產地番茄病害實時動態監測和預警，可為番茄早疫病測報防治提供一種高效、自動化的技術和手段。該研究既能為番茄早疫病測報提供重要的技術和信息支撐，又可為其他相關治理發展提供參考。

關鍵詞番茄早疫病；病蟲害檢測；預警模型；物聯網；數據分析

中圖分類號TP 391.4文獻標識碼A

文章編號0517-6611（2023）24-0213-07

doi：10.3969/j.issn.0517-6611.2023.24.047

Application and Research on Automatic Monitoring and Early Warning Platform for Tomato Early Blight Based on Internet of Things

ZENG Min，YING Julin，XU Chi et al

（Wenzhou Vocational College of Science and Technology，Wenzhou，Zhejiang 325006）

AbstractEarly blight is a disease that has great influence on tomato production.But the existing detection methods are backward.Thus，modern information technologies，such as wireless sensor，Internet of Things and data analysis were combined with traditional agriculture，to carry out automatic detection and early warning of tomato early blight.Data on environmental factors of tomato diseases were collected by the sensor network.Data fusion analysis was used to construct automatic monitoring and early warning model.By constructing an automatic monitoring and early warning platform for tomato early blight，it could realize realtime dynamic monitoring and early warning of tomato diseases in the place of origin，and it could also provide an efficient，automated technology and means for the prevention and treatment of tomato? early blight.This research could not only provide important technical and information support for the forecast of tomato early blight，but also provided reference for other related control development.

Key wordsTomato early blight;Pest detection;Early warning model;Internet of Things;Data analysis

番茄早疫病是由半知菌亞門茄鏈格抱菌（Alatenaria solani）引起的，是世界范圍內對番茄生產影響較大的一種病害，在世界多國多地區均有發生［1］。番茄早疫病病原物為茄鏈格孢，以菌絲或分生孢子形態在病殘體或番茄種子上越冬，待翌年環境條件適宜時，通過氣流、降水、農事等途徑從氣孔、皮孔或表皮直接侵入，形成初侵染［2］。潛伏期一般為2～3 d，可在葉片、莖稈等位置形成病斑，3～4 d后產生下一代分生孢子，通過氣流、雨水進行多次重復侵染［3］。番茄早疫病在番茄植株的整個生長發育階段均可侵染，一旦遇到高溫高濕情況極易暴發流行，嚴重影響產量和質量，發病嚴重時減產高達50%，造成重大經濟損失。

由于缺少先進的測報預報手段，當番茄發生早疫病災害時，就會大量使用化學農藥，造成土壤和水源嚴重污染，帶來了土壤板結、生態鏈破壞等突出問題，隨著人們對食品安全越來越重視，使得靠農藥來降低災害變得寸步難行［4］。隨著物聯網、5G、大數據等新技術快速發展，迫切需要利用現代信息技術手段，進一步提升重大病蟲害監測預警能力和植保防災減災水平，保障農產品質量安全，保護農業生態環境，促進農業的可持續發展。鑒于此，筆者介紹了基于物聯網的番茄早疫病自動監測預警平臺的整體架構設計、物聯網生物環境信息監測采集設計、番茄早疫病的模型設計和自動監測預警平臺構建。

1平臺整體架構設計

由圖1可知，平臺整體架構主要包括感知層、服務層、應用層、用戶層共4 層。在感知層，主要利用物聯網、病菌孢子監測設備、環境傳感器和高清攝像機等各種信息采集終端，對番茄環境、病害信息等數據進行采集和監測，實現番茄生產環境的實時感知，再通過5G/4G網絡將采集的數據傳輸到云平臺進行分析建模；服務層是監測預警系統的神經中樞和數據中心，負責提供對數據進行采集、存儲、分析和處理，構建番茄早疫病發生等級與環境因子相關的預警模型，實現對產地番茄病害實時動態監測與預警；應用層主要構建番茄早疫病自動監測預警相關的信息服務平臺，實現病害預報可視化、監測數字化，并通過短信、郵件等方式向用戶發布預警信息；用戶層通過PC端和移動端為用戶提供了環境數據監測、病害預警、專家診斷等智能監控及管理服務。

2物聯網生長環境信息監測采集設計

2.1生長環境信息采集設計架構

生長環境監測采集是作物精準栽培農業數據模型最好的栽培數據庫，可為設施生產作物栽培過程中生產管控提供真實準確可靠動態實時數據。為了研究各種氣象環境因素與病害數量的相關性和發展趨勢，需要在園區部署多種環境數據采集傳感器，用于采集監測點附近的多種氣象因素和環境數據。物聯網生長環境信息采集監測架構圖如圖2所示。在園區內部署一個物聯網無線監測微基站，具有自動采集、固態存儲數據及智能控制的功能，微基站采用LPWAN（Sub-G）+5G/4G組合的無線通信技術，并支持太陽能和有源市供電。由多組不同的氣象和土壤傳感器連接到物聯網無線通信節點上，再將采集到的數據通過LoRa遠距離無線傳輸協議發送給無線控制微基站，基站再通過5G/4G移動通信模塊與遠程云監測預警平臺進行交互，實現節點控制和數據傳輸。

2.2物聯網傳感器部署

根據需要監測的氣象和土壤因素，選取空氣溫濕度、降雨量、土壤溫濕度等傳感器組建多組無線傳感器節點，各類傳感器均統一選用RS485接口標準，實現傳感器采集數據的無線信號轉換。每種類型傳感器的詳細參數如表1所示。

2.2.1設施空氣環境監測。

通過在園區設施溫室內選取代表性監測。部署空氣環境傳感器實時采集園區內的空氣環境，為系統的病害數據模型提供分析決策依據。在規劃示范溫室內對番茄作物的生長環境進行全面的監控，每個溫室根據種植分區選擇合適位置和合適數量的溫室環境監測點，部署空氣環境傳感器內容包括4組物聯網無線監測節點、4組空氣溫度傳感器和4組相對濕度傳感器。

2.2.2種植土壤墑情監測。系統可實時精準采集種植區域的不同作物的根系集中范圍，確定相應的土壤環境監測深度，通過配設相應的土壤傳感器實現對土壤溫度、土壤濕度、土壤 EC、土壤 pH 等土壤墑情數據在線監測，為制定作物科學的灌溉方案和養分投入提供科學合理支撐。在規劃示范溫室內根據溫室番茄的特點和根系集中土層深度、灌溉分區、灌溉計劃等內容選擇合適土壤位置部署土壤環境傳感器，具體每套監測點內容包括5組物聯網無線監測節點、4組土壤水分傳感器、4組土壤溫度傳感器、1組土壤 pH 傳感器和1組土壤EC傳感器。

2.3物聯網智能網關系統設計

物聯網智能網關系統是專門針對農業病蟲害監測應用需求而研發，集數據采集、協議轉換、數據處理、數據封裝、安全傳輸等功能于一體的智能化傳輸設備。設備要求支持通過多種通訊方式從業務底層的傳感器、PLC、DCS以及各類智能設備儀表中采集數據，將數據解析、打包、封裝、加密后實時推送至上層數據平臺。同時還可根據現場需求，實現協議轉發功能，按上層數據平臺所需的數據格式實現聯網通信。物聯網智能網關數據采集和傳輸示意圖如圖3所示。設備部署了10/100兆網口、RS-232、RS-485、USB Host等多種采集接口，支持各種病蟲害監測設備的接入；集成LoRa芯片，通過與設備配套的DTU傳輸設備，可用于超遠距離（2～10 km）數據的采集與傳輸；內置定位模塊，支持GPS和北斗2種定位方式；配置1個miniPCIe接口和5G/4G自適應全網通無線數據傳輸模塊，通過與配套的無線視頻傳輸設備的匹配，實現了視頻數據、高分辨率圖片的采集與傳輸。

物聯網網關內置豐富的外圍接口，有上位機或數據中心命令采集和主動定時采集2種數據采集模式；數據處理支持對連接設備所監測數據的解析，支持多種算數運算功能，同時根據遠傳數據包格式，在數據包中添加多種元素，如相關行政區劃代碼、監測點名稱、監測點類別、時間、設備識別碼、設備運行狀態等附加信息，進行數據打包；數據存儲網關設備內置支持大容量數據的存儲空間，還為未來數據量的不斷增多做了資源池的擴容預留；設備全部采用工業級電子元件，具備很好的防護措施，支持惡劣環境下設備的穩定運行與數據傳輸，還支持通信故障恢復后數據續傳功能；通過平臺軟件，支持對現場設備的遠程配置、升級、管理、控制，實時查看設備運行狀態。

3番茄早疫病的模型設計

1987年，呂佩珂等［5］團隊通過對1979—1984年的包頭市田間番茄早疫病的發生進行分析，闡明了降雨量、相對濕度、溫度與番茄早疫病發生和流行之間的關系。包頭市番茄早疫病發生和流行的氣象條件如表2所示，結論指出引起番茄早疫病發生和流行的主導因素是氣象條件。呂佩珂團隊根據試驗結果得出，發病前5 d，溫度在20～30 ℃，相對濕度80%的情況下，早疫病發病率高，病情擴展快，潛育期為64 h，如果發病前5～6 d有2.2 mm小到中雨，番茄早疫病即可發生。呂佩珂團隊的研究結論為番茄早疫病預測模型的構建提供了重要的參考。

1999年，劉孝峰等［6］團隊通過試驗得出溫度對分生孢子萌發的影響（表3），結果顯示番茄早疫病病菌分生孢子在6～35 ℃均可萌發，適宜溫度為25～32 ℃，分生孢子在水滴中適宜溫度下經過1 h 即可萌發。濕度對分生孢子萌發的影響如表4所示，病菌分生孢子在溫度為25 ℃，空氣相對濕度分別為65％、75％、90％、100％的環境下，經過24 h分生孢子的萌發率分別為0、0、0、2％，在水滴中的萌發率為98％。這說明分生孢子要求100％的空氣相對濕度，在水滴中才萌發良好。

2010年鄭寰宇等［7］團隊通過試驗得出，早疫病菌分生孢子萌發的關鍵因子是空氣相對濕度或是否存在水滴，在30 ℃環境下經過10 h，當空氣相對濕度高于85%時，分生孢子才開始萌發，但萌發率很低，只有0.3％；在水滴存在的條件下萌發最好，萌發率為98.3％（表5）。早疫病菌分生孢子在5～40 ℃均可萌發（表6），在25～35 ℃的溫度條件下容易萌發，在5和40 ℃條件下分生孢子萌發率較低，而在45 ℃條件下分生孢子不能萌發，該研究結論基本與劉孝峰團隊的相符。

浙江省農業科學院植物保護研究所的王蓮平團隊通過對番茄早疫病的病菌生物學特性的研究［8］、國外Harrison對美國科羅納多馬鈴薯早疫病流行性病學的研究［9］、Moore對影響茄鏈孢菌侵染的環境因素的研究［10］都得出茄鏈格孢菌絲和分生孢子的萌發需在合適的溫度范圍內，空氣相對濕度較高，在葉片上已形成水滴且有一定程度降雨量的條件下發生。根據以上對番茄早疫病的病原菌孢子萌發的一系列相關研究，可以得出番茄早疫病孢子萌發的最主要因素是環境溫濕度，在20～35 ℃的條件下均能較好萌發，最適宜溫度是25～30 ℃，其在不同含水量時，濕度越高，萌發率越高，當空氣相對濕度達100%時萌發最好。

該研究以空氣溫度、相對濕度和田間降雨量三者的關系構建風險等級預報模型，從而預測番茄早疫病發生，指導防治。在病菌的發育中，溫度是決定病害發育起始以及發育速度的關鍵因素，因此在早疫病的模型構建中，參照諸多研究中對于早疫病菌發育速率最快的溫度范圍是以20和35 ℃為閾值，低于20 ℃或高于35 ℃時病菌的發育速率較慢，無法形成規模化的發病，或發病程度輕；相對濕度為病菌的發育提供水分，尤其是對早疫病菌來說，空氣足夠濕潤，有水滴或葉面濕潤則有利于病菌的生長發育；降雨量則是作為病菌分生孢子傳播的重要途徑，當分生孢子發育成熟后，通過雨水的濺起，傳播到健康的植株體上，從而開始下一階段的侵染過程，同時降雨容易形成水滴或水膜，為病菌的發育提供充足的水分條件，即相對濕度和降雨量滿足條件都可為病菌的發育提供必要的水分條件。因此，在風險等級的劃分上以溫度作為首要條件，相對濕度和降雨量作為有利因素，參照前面的研究結論，根據前5 d環境溫濕度的情況，將風險等級S劃分為5級，S數值越大風險越高，風險等級如表7所示。

連續5 d期間，當沒有適宜病菌發育的水分和溫度條件，病菌很難發育，故風險等級定義為0；當沒有適宜病菌發育的水分條件，但是溫度合適，病菌有發育的風險，故風險等級定義為1；當溫度不適合，但相對濕度和累計降雨量2個條件中有1個滿足，則分生孢子萌發可進行發育，故將風險等級定義為2；當相對濕度和累計降雨量都滿足條件，則水分條件非常滿足，但因溫度不適宜，病菌發育緩慢，故將風險等級定義為3；當溫度適合，相對濕度和累計降雨量滿足其中1個，則表示病菌的發育溫度和水分均有適宜條件，病菌的發育速率快，故將風險等級定義為4；當溫度、相對濕度和累計降雨量3個條件同時滿足，則表示環境條件非常適宜病菌的發育、侵染和傳播，故將風險等級定義為5。

根據連續5 d的風險等級計算CS5，當CS5<9時，為低風險期；當CS5≥9時，進入中風險期；當CS5≥15時，則為高風險期。進入不同的風險期，需要噴灑相應的防治藥劑進行預防，再結合田間病情人工調查表，將人工田間調查實際數據和系統模型分析數據進行對比分析，及時調整預警模型參數，便于預警模型更加準確。

4番茄早疫病自動監測預警平臺構建

系統的開發環境主要是采用visual studio 2015，開發語言采用Java、HTML、CSS、JavaScript，數據庫采用Mysql，部署云服務器，通過物聯網和5G/4G移動網絡實現園區前端節點和云服務器的互聯互通。

4.1系統軟件功能設計

根據病蟲害監測預警的功能需要，系統的功能設計如圖4所示。番茄早疫病自動監測預警平臺主要包括環境數據采集、園區視頻監控、病害預警模型、智能預警四大功能模塊，主要由首頁、控制管理、預警管理、視頻監控、數據分析、模型設計、系統管理共7個管理功能組成。

（1）首頁主要是展示整個園區的2D平面地圖，還可以顯示各個監測區的氣象環境和土壤墑情。

（2）控制管理主要包括智能控制、智能計劃和設備管理。智能控制可以對各類病蟲害監測設備進行開啟、暫停、關閉等操作；智能計劃可以設置相應的時間或條件來制定設備的運行狀態；設備管理可以對智能控制設備進行編輯、增加、刪除等功能。

（3）預警管理主要分為預警通知和預警設置。預警通知向用戶提供各種傳感器、控制器、病蟲害、氣象、網關等預警消息；預警設置可以設置預警接收方式和預警接收人員信息等。

（4）視頻監控主要分為實時監控和視頻管理。實時監控負責對園區的環境、作物和病蟲害的情況進行遠程視頻監控；視頻管理可以對錄制的視頻數據進行數據備份和導出等操作。

（5）數據分析主要包括數據展示和數據管理。數據展示主要直觀地向用戶展示園區溫濕度、土壤溫濕度等傳感器采集的環境數據；數據管理負責建立和維護園區氣象指標庫、土壤指標庫和病害蟲樣本庫，為數據分析和智能診斷提供標準數據源和決策分析依據［2］。

（6）模型設計包含蟲害模型和病害模型。模型設計主要是對園區氣象數據和病害蟲數據進行分析和處理，得出當前病害蟲發生等級，進行預警并形成智能診斷和決策分析建議。

（7）系統管理包括監測站管理、用戶管理和權限管理。可以對監測站信息進行管理和維護，給用戶分配角色和權限，并記錄系統的運行情況、用戶的登錄情況等。

4.2環境數據采集

該模塊主要為用戶展示園區種植過程中實時采集的各種維度的傳感器數據，如空氣溫度、相對溫度、土壤溫度、土壤水分等區域環境數據統計查詢，可以按時、按日、按時間段進行統計，并以圖表或表格等各種可視化形式展示各類傳感器采集的數據，方便管理者進行查詢統計、分析決策。用戶還可以通過對監測指標進行閾值設定，當監測數據超過閾值立即向用戶發送預警信息或自動執行相關操作來進行環境調控。園區環境數據采集管理界面如圖5所示。

4.3園區視頻監控

操作人員通過遠程視頻監控可查看園區環境和作物生長情況等多畫面圖像景象，可實現對園區的實時畫面的全景監控，可對番茄植株生長長勢及病蟲害進行圖像分析，及時調整管控策略，加強基地生產監管。園區視頻監控管理如圖6所示。

4.4病害模型設計

模型設計根據作物病蟲害專家研究出的早疫病暴發的影響因子和影響系數構建番茄易爆發的早疫病數據模型，通過大數據處理方法對記錄數據進行處理，得出病害爆發時間的模型關系，并通過曲線圖、柱狀圖等多種圖表來顯示趨勢變化情況。根據濕度、溫度和符合溫濕度條件的持續時間，計算濕潤期，判斷是否進入侵染期，進入侵染期之后根據溫度判斷侵染風險等級S，系統每天計算1次過去5 d S值的累加值CS5，并形成晚疫病侵染曲線圖，用戶可以在系統內查看晚疫病實時侵染曲線圖，并根據曲線圖展示的病發情況決定采取不同防蟲害措施。當風險等級進入中高風險時，進行風險提示并及時給出防治措施建議，記錄打藥情況。番茄早晚疫病的模型設計如圖7所示，構建的數據模型可對數據進行分析進行智能生產決策和管控，后續還可以根據需要構建不同病蟲害模型。

4.5智能預警管理

用戶可以設置風險預警閾值和選擇接收預警信息的方式，當病害爆發風險超過預警閾值或設備出現故障時，系統自動向用戶即時發送預警信息，可以通過郵件、短信、微信等多種方式進行預警。用戶第一時間收到預警提醒，及時進行調度防控，提高植保風險規避管理，為管理者的快速決策提供及時正確的依據。 智能監測預警管理界面如圖8所示。

5結語

利用信息技術和數字化技術加強病蟲害數字化監測預警建設，提高病蟲害監測預警能力和植保水平，已成為病蟲測報工作發展的必然趨勢［11］。該研究通過構建番茄早疫病自動監測預警平臺，對番茄生長環境和病害數據進行遙感數據采集、監測、數據建模等分析，實現對番茄早疫病的遠程監控和監測預警發布等功能，提早全面獲取田間病害發生初期信息，實現精準防控、有效控害，大幅度減少病蟲害和農藥對農產品及環境的污染，以實現“早發現、早預報、早防控”，進一步提升番茄災情測報的時效性和科學防控水平，為精準指導農業生產提供助力，具有廣泛的應用前景。預警系統目前主要以番茄高發的早疫病為監測對象，以后可以逐步開展更多病害或蟲害的研究模型。

參考文獻

［1］賀觀清.九種藥劑對番茄早疫病的防治作用［D］.楊凌：西北農林科技大學，2014.

［2］潘春華.基于機器學習的南方蔬菜重大害蟲識別預警研究［D］.廣州：華南農業大學，2019.

［3］ 遲靜娣，張麗芳，李榮瓊.石林縣人參果幾種病蟲害的發生與防治［J］.云南農業科技，2021（2）：43-46.

［4］ 張浩.基于WebGIS和物聯網的水稻病蟲害監測與預警系統研究［D］.長春：吉林農業大學，2016.

［5］ 呂佩珂，邵玉琴.番茄早疫病發病動態與防治研究［J］.中國蔬菜，1987（1）：23-27.

［6］ 劉孝峰，邢國文，徐奇功.番茄早疫病菌分生孢子萌發與環境條件關系的研究［J］.河南職技師院學報，1999，27（2）：15-16.

［7］ 鄭寰宇，馬力，左豫虎，等.馬鈴薯早疫病菌分生孢子萌發條件的研究［J］.植物保護，2010，36（6）：91-95.

［8］ 王連平，王漢榮，茹水江，等.浙江省番茄早疫病菌生物學特性研究［J］.浙江農業學報，2022，14（6）：320-325.

［9］ REN S Q，HE K M，GIRSHICK R，et al.Faster RCNN：Towards realtime object detection with region proposal networks［J］.IEEE transactions on pattern analysis & machine intelligence，2017，39（6）：1137-1149.

［10］ AHMADI M，OUARDA W，ALIMI A M.Efficient and fast objects detection technique for intelligent video surveillance using transfer learning and finetuning［J］.Arabian journal for science and engineering，2020，45（3）：1421-1433.

［11］ SALIH T A，ALI A J，AHMED M N.Deep learning convolution neural network to detect and classify tomato plant leaf diseases［J］.Open access library journal，2020，7（5）：1-12.